Este trabajo presenta el desarrollo e implementaci´on de un modelo predictivo para el seguimiento del punto de m´axima potencia (MPPT) en sistemas fotovoltaicos bajo condiciones de sombreado parcial. La propuesta integra una Red Neuronal Artificial (RNA) con el Grey Wolf Optimizer (GWO), un algoritmo bioinspirado empleado para el ajuste de hiperpar´ametros. La metodolog´ıa se estructur´o en cinco etapas: adquisici´on de datos mediante sensores experimentales, preprocesamiento para simular escenarios de sombreado, entrenamiento del modelo de RNA, optimizaci´on con GWO y validaci´on en condiciones reales de operaci´on. La evaluaci´on experimental confirm´o que el modelo RNA–GWO optimizado mejor´o significativamente la precisi´on de las predicciones, alcanzando un coeficiente de determinaci´on (R²) superior a 0.99 y una exactitud mayor al 98.9%, manteniendo al mismo tiempo un costo computacional adecuado para su implementaci´on en sistemas embebidos. El modelo fue implementado exitosamente en una Raspberry Pi 4, demostrando su viabilidad pr´actica para la predicci´on en tiempo real de MPPT en sistemas fotovoltaicos. Esta investigaci´on resalta el potencial de combinar aprendizaje autom´atico y optimizaci´on bioinspirada para mejorar la eficiencia de la energ´ıa solar y contribuir a la generaci´on sustentable.